基于公共表征学习的零样本深度域适应

基于摘要分析。本文研究在不使用目标域任务相关训练数据的条件下，如何将源域知识迁移至目标域，提出零样本深度域适应方法 ZDDA。其核心是利用配对、任务无关的双域数据学习公共表征，并分别以 ZDDA-C 和 ZDDA-ML 支持分类与度量学习任务。 机制与适用条件：ZDDA 依赖源域和目标域之间的配对辅助数据，而不是完全不接触目标域。作者描述，学习得到的任一域表征可用于训练适用于两个域的系统，也可用于传感器融合场景，使系统不必依赖其中某一域的输入。摘要未给出配对数据的构造方式、公共表征的具体训练目标或传感器缺失时的实现细节，这些尚未验证。 任务与结果：作者报告，ZDDA-C 除闭集分类外，也适用于训练期间并非所有类别均已知的开放集分类；ZDDA-ML 则将方法扩展至度量学习。作者报告，在各自分类与度量学习实验的大多数条件下，ZDDA 无需目标域任务相关训练数据即可优于基线。摘要未提供数据集、评价指标、具体数值和基线名称，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其对 EEG 的潜在价值在于，用配对的非目标任务记录学习域间对应关系，再迁移至目标任务解码；这要求辅助任务与目标任务共享可迁移的域差异。可尝试复用公共表征学习思路，但需改造 EEG 编码与配对策略，并核对辅助数据的监督要求。低信噪比、跨被试生理差异、通道不一致及小样本都可能使对应关系失效。一个可证伪的小实验是在具有同步双设备 EEG 的条件下，用非目标任务配对片段学习公共表征，再仅用源设备目标任务标签训练解码器，检验其在目标设备上的表现是否优于源域直接迁移；数据须按独立记录划分。该设想不属于原文已验证结果，相关 EEG 工作尚未检索确认。